在此將分為兩個方面來分析:
①演算法準確度、穩定度的衡量
②依據特性來評估做選擇

準確度的衡量

• AI需要有高水準的精確度才能拿來使用在商業上，同時也要兼顧實用性。

準確度是演算法評估中重要的指標!

準確度相關的衡量:混淆矩陣Confusion matrix、準確性Accuracy、精確度Precision、召回率Recall、F1值
模式的錯誤率方面:偏差Bias、方差Variance、過度擬合Overfitting、擬合不足Underfitting

混淆矩陣Confusion Matrix=誤差矩陣

• 透過演算法所預測的分類與實際分類的比較來顯示機器預測的正確與錯誤程度的一種矩陣工具。
• TP(True Positive)、TN(True Negative):預測與實際結果相同。
• FP(False Positive)=型一錯誤Type one Error:偽陽性、錯殺率，預測結果是陽性但實際上是陰性，白話翻譯就是
  預測有但其實沒有!在某些情況下這樣錯誤影響會很嚴重，例如診斷疾病。
• FN(False Negative):偽陰性、漏網之魚，預測結果為陰性但實際上是陽性，白話翻譯就是預測沒有其實有!相較於型一錯誤此錯誤影響就比較不嚴重。

準確性Accuracy

• 機器正確的預測(TP+TN)占所有預測樣本的百分比。
• 公式:
• 例子:100個糖果，預測過期的(TP)有30顆，預測還未過期的(TN)則有60顆，正確率為(30+60)/100=0.9
• 陽性與陰性分配比率不平衡，單一準確率就無法評斷出真正效能。

精確度Precision

• 錯殺率大小的概念。(糖果當中有幾顆是真正過期的)
• 公式:

召回率Recall

• 漏網之魚的比率，真正陽性但被誤判為陰性的樣本。
• 公式:

F1值

• 同時考慮精確度與召回率，求取一個平衡錯殺率與漏網綠整合的正確指標。
• 利用兩者的調和平均數(0~1)表示AI模式的整體效能。
• 公式:

參考來源:人工智慧:概念應用與管理 林東清